Block, perusahaan teknologi finansial yang dipimpin oleh Jack Dorsey, secara resmi memperkenalkan model kecerdasan buatan berbasis suara terbaru bernama Dessa. Model percakapan speech-to-speech ini dikembangkan langsung oleh lab riset kecerdasan buatan internal Block di bawah pimpinan Ragavan Thurairatnam dan dirancang untuk memproses komunikasi audio dua arah (full-duplex) secara langsung tanpa mengandalkan pipa konversi teks perantara (speech-to-text maupun text-to-speech).
Paradigma Baru Tanpa Konversi Teks
Mayoritas arsitektur agen suara komersial saat ini beroperasi melalui metode cascaded pipeline, di mana audio input pengguna ditranskripsikan ke dalam teks, diproses oleh large language model (LLM), lalu kembali disintesis menjadi suara menggunakan sistem text-to-speech dengan bantuan penanda emosi (voice tags). Block mengklaim pendekatan konvensional tersebut menghilangkan sebagian besar lapisan konteks manusia seperti variasi nada, keraguan (hesitation), dinamika tawa, dan intonasi emosional. Dessa dilatih murni menggunakan data rekaman percakapan manusia pada satu rak (rack) unit pengolah grafis (GPU) Nvidia, memungkinkan model tersebut menangkap esensi percakapan langsung pada representasi gelombang audio.
Kemampuan Full-Duplex dan Efisiensi Komputasi On-Device
Dalam berbagai demonstrasi rekaman yang dipublikasikan tim pengembang, Dessa memperlihatkan dinamika interaksi alami, mencakup kemampuan mendengar dan berbicara secara simultan, merespons interupsi secara instan, serta menghasilkan respon verbal singkat (backchanneling) seperti jeda alami, respons 'got it', hingga intonasi empati dan tawa spontan. Arsitektur model ini dioptimalkan agar dapat dieksekusi secara lokal (on-device) pada komputer berdaya komputasi konsumen, seperti laptop MacBook Pro dengan chip Apple M4 Max, tanpa ketergantungan transmisi data ke kluster cloud server.
Akses Keamanan dan Relevansi Komersial
Saat ini Block belum membuka akses Dessa untuk publik luas maupun pengembang komersial. Perusahaan memprioritaskan keterlibatan para peneliti keamanan siber dan red-teaming independen guna menguji ketahanan model terhadap potensi risiko penyalahgunaan, seperti rekayasa sosial (social engineering) dan peniruan identitas suara yang meyakinkan. Bagi ekosistem bisnis Block, model suara lokal berlatensi rendah dan hemat daya ini membuka potensi integrasi masa depan pada otomatisasi pesanan suara pedagang di ekosistem Square serta interaksi perbankan seluler dengan biaya operasional inferensi yang jauh lebih efisien.